如果你經常使用Python進行數據分析，那么對于Pandas一定不會陌生，但是Pandas除了在數據處理上大放異彩，隨著版本的不斷更新，Pandas的繪圖功能在某些情況下甚至要比Matplotlib更加適用，本文就將介紹如何用Pandas更快的進行數據可視化！

? 基本使用，學會制作套路

首先我們使用pandas隨機生成示例數據

import?pandas?as?pd df=?pd.DataFrame(np.random.rand(8,?4),?columns=['A','B','C','D'])

現在只要一行代碼，即可完成柱狀圖的繪制df.plot.bar()

同樣是這個圖，如果使用Matplotlib制作的話????

import?matplotlib.pyplot?as?pltx?=?np.array(df.index.tolist()) y1?=?df.A.tolist() y2?=?df.B.tolist() y3?=?df.C.tolist() y4?=?df.D.tolist() y5?=?df.E.tolist()total_width,?n?=?0.8,?5 width?=?total_width?/?n x?=?x?-?(total_width?-?width)?/?2plt.bar(x,?y1,??width=width,?label='A') plt.bar(x?+?width,?y2,?width=width,?label='B') plt.bar(x?+?2*width,?y3,?width=width,?label='C') plt.bar(x?+?3*width,?y4,?width=width,?label='D') plt.bar(x?+?4*width,?y5,?width=width,?label='E')plt.legend() plt.show()

可以看到，雖然結果差不多，不過代碼量瞬間就上去了，如果你是Matplotlib高手可能會用更簡潔的代碼制作，但一定沒有pandas一行代碼來的方便！

? 更多圖表，一覽Pandas強大

下面我們繼續看看，一行pandas代碼能做出哪些常用的圖！

堆疊柱狀圖，添加一個參數即可df.plot.barh(stacked=True)

堆疊面積圖df.plot.area(stacked=True,alpha = 0.9)

密度估計圖df.plot.kde()

直方圖的話，我們需要換一組數據

df?=?pd.DataFrame({'a':?np.random.randn(1000)?+?1,'b':?np.random.randn(1000),'c':?np.random.randn(1000)?-?1},columns=['a',?'b',?'c'])

下面，兩行代碼就能制作堆疊/不堆疊的直方圖

df.plot.hist(stacked=True,?bins=20) df.plot.hist(alpha=0.5)

當然包括什么箱線圖、散點圖等常用圖形，都可以通過一行代碼輕松搞定????

df.plot.box() df['value'].plot() df.plot.scatter() data.plot.hexbin(x='A',y='B')

制作子圖可以嗎？ 只需要設置subplots=True就行了，子圖位置、大小調整方式和Matplotlib設置一樣！

data.plot(subplots=True,layout=(3,?2),?figsize=(15,?8));

更多的圖表，本文就不再一一展示，從官方文檔中可以看到(我的版本是0.23.4)，Pandas一共支持14種常見圖表的直接繪制，感興趣的讀者可以進一步閱讀官方文檔！

其實對圖片敏感的讀者可以發現，這不就是基于Matplotlib做出來的嗎？所以它支持像調整Matplotlib圖表一樣，在作圖時修改一些參數來控制圖片的大小、圖例、顏色、位置等因素。

? 修改主題，解鎖酷炫樣式

最后，如果你覺得默認生成的圖表不夠好看(我是這么覺得)，而它又是基于Matoplotlib制作的，所以我們可以使用同樣套著Matplotlib殼的Seaborn調色板，從而調整圖片主題。

還是上面的數據，下面讓我們換個主題重新繪制

import?seaborn?as?sns sns.set_palette("pastel",?8) import?seaborn?as?sns sns.set_palette("Blues_r",?8) import?seaborn?as?sns sns.set_palette("magma",?8)

上面是我常用的幾種配色，更多的顏色搭配你可以在seaborn相關文檔中找到并使用！

以上就是關于如何在使用Python更快速的對數據進行可視化，我們可以發現，在很多情況下，使用Pandas直接進行繪圖會顯得更加高效便捷！

但本文的目的并不是讓你徹底放棄Matplotlib，在使用pandas繪圖時很多參數設置都需要參考Matplotlib，所以我們應該在點亮這項技能后，能根數據和場景的不同，選擇一個最合適的工具來完成可視化！

往期推薦： 收藏 | 49 個 Python 學習資源我都逛哪些技術網站？（程序員必備58個網站匯總）肝！精心整理了 50 個數據源網站！

總結

以上是生活随笔為你收集整理的再见，Matplotlib！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。